论文部分内容阅读
近几年来,我们国家的钢铁工业得到了飞速发展,带动了轧制技术的巨大进步。从上世纪90年代开始,各地建起了一批现代化轧机,成为了我国轧制技术发展的主流。然而,轧机的现代化程度越高,对模型的依赖程度也就也大。因此,对轧制模型的开发、维护与优化自然也就受到越来越多的重视。对于轧制过程,基于生产过程中各因素之间物理和化学反应原理,使用传统的数学建模方法,已经建立了一些轧制过程数学模型。这些模型在轧制生产中发挥了巨大的作用。然而,数学建模方法也有其弊端。这种方法需要对轧制过程进行简化和假设,其精度不能满足要求时,要凭借工程人员的经验对其相关系数进行修正。因此,基于人工智能的建模方法相应发展起来。人工智能方法与传统的方法有所不同,它不是过去那种对轧制过程中深层次规律的无穷探求,而是用模拟人脑的方法来处理那些实在发生的事情。它不从基本原理出发,而是以事实为依据,从大量数据中揭示出轧制过程中的生产规律。随着钢铁行业信息化的不断普及和深入,在企业长期的生产过程中积累了丰富详实的生产数据,我们完全可以利用这些数据,使用人工智能的方法,对轧制生产过程进行优化。因此,人们希望使用最优控制的理论与技术,对热轧产品的生产过程进行优化改进,提高产品质量和生产效率。结合钢铁企业的背景,以昆钢为例,对热轧板带的轧制过程进行研究。现代化冶金企业生产的一个特点是多道工序,轧制过程从始至终主要经历除磷、粗轧与精轧,每一步都对最终产品的质量有影响。本文把热轧产品轧制过程看作一个系统,通过对此系统的研究,针对此过程建立逆模型控制,对参数进行优化,然后将优化参数带入轧制过程正模型,看其得到的预测力学性能指标与实际生产中的力学性能指标相比,哪个更加稳定。利用BP神经网络和支持向量机两种方法,分别建立以化学成分、轧制参数为输入,以力学性能为输出的两种正控制模型:BP神经网络热轧板带正控制模型和支持向量机热轧板带正模型;以及以力学性能为输入,以轧制参数为输出的两种逆模型:BP神经网络热轧板带逆模型控制和支持向量机热轧板带逆模型控制,用逆模型得到的优化参数对生产过程的正模型进行控制,从而得到预测力学性能。经分析得出:使用我们的方法,BP模型的RM预测值在跟随性上效果不太理想,仍然需要改进提高。但是,另一方面,BP模型的RM预测值明显更加聚集在输出值的平均中心线430MPa附近,也就是说,经过逆模型得到的参数变量值用于控制以后,所得到的力学特性RM更加稳定,波动性小,在这方面,模型达到了我们设想的目标。预测误差方面来看,88.62%的预测误差小于5%,99.22%的预测误差小于10%,100%的预测误差在15%之内。5%之内的预测误差效果不理想,10%及15%的预测误差较好。使用支持向量机方法,除了模型S3T1在误差5%之内的效果不理想之外,其余三个模型都较为理想。尤其是模型S4T2,也就是使用了v-SVM回归算法和RBF核函数的模型,5%之内达到了100%,非常理想。可见,使用支持向量机逆模型控制,充分发挥了支持向量机在小样本方面的优势,达到了对热轧板带质量预测的目的。总之,不管是使用BP神经网络还是使用支持向量机,在热轧板带质量预测方面,都在一定程度上达到了对热轧板带产品的力学性能进行预测的目的。当然,方法仍需要继续改进,以提高预测效果。